连接排空如何支持服务器零停机更新?
连接排空是指停止新流量进入某台服务器,同时让现有请求和会话完成,然后再进行更新。这是实现零停机服务器更新的实用控制方法,因为它将移除流量与实际维护工作分开。对于独立服务器,团队可以根据更可预测的 CPU、内存、网络和操作系统容量衡量影响,但服务仍然需要冗余和经过测试的流量管理路径。
因此,零停机更新不只是安装软件包或重启节点。变更服务器前,应先停止将新工作分配到该节点,让现有工作完成或安全重连,再执行更新、验证节点,确认服务恢复后才重新加入流量。实际顺序取决于协议、会话模型、应用依赖和故障切换设计。
连接排空会改变什么
当后端进入排空状态时,负载均衡器会停止将新连接或请求发送到该节点,同时为现有连接提供明确的宽限时间。实际行为取决于服务承载 TCP、HTTP、WebSocket、Server-Sent Events 或其他长连接协议。排空不等于立即禁用服务器,而是从提供服务、停止接收新工作、更新、验证到恢复就绪的受控转换。
Dataplugs 的文章《如何为全球服务器集群安排维护窗口?》将维护窗口视为完整运营时间,其中包括流量排空、变更、验证、回滚截止时间和负责人。采用相同结构,可以让连接排空更容易一致执行。
- 先定义排空适用于新 TCP 连接、新 HTTP 请求、新会话,还是所有项目。TCP 连接可能承载多个请求,而 HTTP 或事件流连接的持续时间可能远长于普通页面请求。
- 分别设置连接排空宽限时间、请求超时、Keepalive 超时和强制终止时间。一个全局超时可能中断仍然有用的工作,或让节点长时间无法提供服务。
- 使用以服务为基础的健康检查,不要因为端口仍然开放就将节点重新标记为就绪。应按需要检查应用准备状态、依赖服务、队列以及副本或集群状态。
- 记录开始排空时仍有多少连接、请求、工作和会话,它们完成所需的时间,以及哪些工作达到终止上限。
- 为无法完成的连接保留明确的处理方法。根据应用契约,可以选择拒绝、重试、重连、转移状态,或在发出提示后终止。
在滚动更新中使用连接排空
滚动更新以受控批次变更服务器集群,而不是同时将所有服务器移出服务。每台服务器都应先停止接收新流量,等待排空条件完成,执行更新、进行服务检查、观察结果,然后才处理下一台。批次大小应保留足够容量应对正常流量和突发故障。
Dataplugs 的指南《高可用服务器的 Linux 内核实时补丁》说明即使使用实时补丁,仍然需要流量排空、金丝雀节点、工作负载检查、复制检查和计划好的重启路径。这些控制同样适用于应用、操作系统或配置更新。
- 根据故障范围、硬件类型、操作系统版本、地区和服务重要性决定更新顺序。第一台服务器应能代表生产环境风险,而不是只选择最容易更新的节点。
- 每台服务器恢复后,验证软件包或配置版本、服务就绪状态、应用事务、日志、监控、依赖服务和流量分布,确认无误后才视为恢复。
- 在第一台服务器或第一个批次后设置暂停门槛,将延迟、错误率、吞吐量、连接数、队列深度、复制延迟、CPU、内存、存储和网络错误与更新前基线比较。
- 不要把命令成功完成或进程正常退出视为安全更新的证明。节点可能仍在线,但应用已经出现错误、会话丢失,或后台工作无法处理。
- 在观察期结束前,保留旧版本、配置、镜像或内核的恢复路径。预先列明谁有权停止推进,以及出现异常后需要哪些证据才能继续。
保护长连接和状态
长连接让连接排空更加重要,也更加难以预测。WebSocket、Server-Sent Events、数据库会话、消息消费者和流式传输可能在普通请求超时后仍然存在。更新计划应清楚列明这些会话会完成、迁移、重连,还是在向客户端发出提示后关闭。
Dataplugs 的文章《通过 VRRP、BGP 实现自动化故障切换,保障服务器可用性》说明在多服务器设计中,端点所有权、路由状态和应用健康状态需要同步。连接排空也采用同一原则:安全移除节点,需要流量路径和服务状态对应同一个工作去向。
- 对于 WebSocket 和事件流,应定义心跳、空闲超时、重连和恢复行为。清晰的关闭信号和重试提示,通常比让客户端面对无法解释的连接重置更安全。
- 对于会话和事务,应先决定状态存储在本地还是共享系统。负载均衡器可以移动新流量,但如果下一个节点无法访问继续请求所需的状态,单靠流量转移并不能让应用安全。
- 如果更新会改变协议、数据库结构、API 契约或序列化格式,应预留兼容期,让新旧节点可以在滚动更新期间共存。
- 监控活动连接年龄、排空完成率、强制关闭、重连量、重复工作、写入失败和下游压力。这些信号往往会在整体可用性下降前显示排空出现问题。
- 设置节点可以保持排空状态的最长时间,并为例外情况指定负责人。长时间卡在排空状态的节点会悄悄减少集群容量,也可能在下一台服务器需要维护时造成第二个故障。
结论
连接排空将服务器更新转化为受控的流量转换:停止新工作,给现有连接合理的完成时间,保护会话和数据状态,以可测量的批次更新有代表性的节点,并在恢复后才重新加入容量。对于独立服务器环境,这种方法将可预测的基础设施资源、负载均衡控制和运营证据结合起来,让零停机更新成为可重复的流程,而不是尽力而为的重启。
